AI说做完了？这个模型专查哪里没做对

AI回复“完成了”，事情就真的做完了吗？

Laminar发布了flow-1，一个用强化学习训练、专门检查Agent执行记录的模型。它运行在Signals里，沿着模型调用、工具结果和交付内容找证据。

① 为什么单独做一个模型？
Agent可能每次工具调用都成功，却引用错文件、漏做步骤，最后还汇报完成。传统报错监控看不到这种问题；人工逐条看很慢，用强模型全部复查又贵。flow-1想把过程质检做得更便宜，覆盖更多任务。

② 它具体查什么？
官方案例里，代码Agent把两个测试失败都归咎于同一个旧问题，但日志只支持其中一个。检查器要对照“它说了什么”和“证据显示什么”，输出问题及证据位置。也能提取用户意图、未解决需求、缺少的集成。

③ 它怎样工作？
把一条执行记录当成代码仓库，每一步当成文件。先看概览，再检索、展开相关步骤，按你定义的JSON字段返回结果。RL训练的是这套调查过程：看哪里、怎样取证、何时报告；接入后并不代表你的Agent自动学会纠错。

④ 实际怎么用？
先用SDK把任务过程送到Laminar，再创建Signal：写清检查要求、输出字段、触发条件和过滤规则。可以先回查历史任务，点开事件核验证据，再开启持续检查和提醒。新项目已有Failure Detector，默认检查超过1000 tokens的记录。

⑤ “便宜23倍”怎么看？
官方在523条困难记录上测试：flow-1检测F1为0.835，GPT-6-sol为0.816，Opus 5为0.890。少于10万tokens的记录，平均分析成本约0.0011美元与0.026美元。是特定任务比较，F1也不是正确率。

实际购买还要算平台费。当前Starter为30美元/月，Signals另按分析用量计费；一次性5美元额度不是每月赠送。评测成本与套餐账单别混算。

更有意义的是把反复出错的过程归类，修正后再验证有没有改善，也能发现用户一直想做却没做成的事。检查器仍可能误判、漏判，判断要能回到证据。

#AI智能体 #Agent #flow1 #AI产品 #开发工具